Articolo metodologico

Modulazione della risposta neurofisiologica a stimoli paurosi e stressanti attraverso il canto religioso ripetitivo

5.6K visualizzazioni

⸱

DOI:

10.3791/62960

⸱

4 novembre 2021

 ,  ,  ,  ,  , 
1Buddhism and Science Research Lab, Centre of Buddhist Studies, The University of Hong Kong, 2School of Biomedical Engineering, Shenzhen University

In questo articolo

Avviso di errata corrige

Important: There has been an erratum issued for this article. View Erratum Notice

Sommario

Il presente studio sul potenziale correlato agli eventi (ERP) fornisce un protocollo unico per indagare su come il canto religioso può modulare le emozioni negative. I risultati dimostrano che il potenziale positivo tardivo (LPP) è una robusta risposta neurofisiologica agli stimoli emotivi negativi e può essere efficacemente modulato dal canto religioso ripetitivo.

Abstract

Negli esperimenti neuropsicologici, il potenziale positivo tardivo (LPP) è una componente del potenziale correlato agli eventi (ERP) che riflette il livello della propria eccitazione emotiva. Questo studio indaga se il canto religioso ripetitivo modula la risposta emotiva agli stimoli che provocano paura e stress, portando così a un LPP meno reattivo. Sono stati reclutati ventuno partecipanti con almeno un anno di esperienza nel canto religioso ripetitivo di "Amitabha Buddha". Un sistema di elettroencefalografia a 128 canali (EEG) è stato utilizzato per raccogliere i dati EEG. I partecipanti sono stati istruiti a visualizzare immagini negative o neutre selezionate dall'International Affective Picture System (IAPS) in tre condizioni: canto religioso ripetitivo, canto ripetitivo non religioso e nessun canto. I risultati hanno dimostrato che la visualizzazione delle immagini negative che provocano paura e stress ha indotto LPP più grandi nei partecipanti rispetto alla visualizzazione di immagini neutre nelle condizioni di canto non canoro e non religioso. Tuttavia, questo aumento della LPP è in gran parte scomparso in condizioni ripetitive di canto religioso. I risultati indicano che il canto religioso ripetitivo può alleviare efficacemente la risposta neurofisiologica a situazioni di paura o stress per i praticanti.

Introduzione

Il potenziale positivo tardivo (LPP) è stato a lungo accompagnato da eccitazione emotiva ed è stato utilizzato in modo affidabile nella ricerca legata alle emozioni1,2. La pratica religiosa è diffusa sia nei paesi orientali che in quelli occidentali. Si afferma che può alleviare l'ansia e lo stress del praticante quando affronta eventi avversi, specialmente durante i periodi di difficoltà3. Tuttavia, questo è stato raramente dimostrato in rigorose impostazioni sperimentali.

Numerosi studi hanno confermato che la regolazione delle emozioni può essere appresa con diverse strategie e quadri4,5,6. Alcuni studi hanno dimostrato che la consapevolezza e la meditazione possono modulare la risposta neurale agli eventi affettivi7,8. Recentemente, è stato scoperto che i praticanti di meditazione possono impiegare strategie di modulazione delle emozioni diverse dalla valutazione cognitiva, dalla soppressione e dalla distrazione8,9. Gli stimoli dell'International Affective Picture System (IAPS) possono essere utilizzati per suscitare emozioni positive o negative in modo affidabile e ci sono criteri standard per trovare immagini progettate con livelli di valenza ed eccitazione specificati nella ricerca affettiva10.

Gli stimoli emotivi possono causare risposte precoci e successive nel cervello3,11. Allo stesso modo, la tradizione buddista ha fatto un'analisi analogica sui pensieri mentali mediante processi mentali iniziali e secondari3,12,13. Il Sallatha Sutta (The Arrow Sutta), un primo testo buddista, menziona che l'allenamento cognitivo può domare le emozioni. The Arrow Sutta afferma che sia un praticante buddista ben addestrato che una persona non addestrata sperimentano una percezione iniziale e negativa del dolore di fronte a un evento dannoso13. Questo inevitabile dolore iniziale è simile a una persona che viene colpita da una freccia, come descritto nel Sallatha Sutta. Il dolore percettivo precoce è identico alla fase di elaborazione precoce quando una persona vede un'immagine altamente negativa. L'elaborazione neurale precoce di solito suscita un componente N1. Le persone non addestrate possono sviluppare emozioni eccessive, come preoccupazione, ansia e stress, dopo aver sperimentato i sentimenti dolorosi iniziali e inevitabili. Secondo il Sallatha Sutta, questa emozione negativa o dolore psicologico in ritardo di sviluppo è come essere colpiti da una seconda freccia. Un esperimento di potenziale correlato agli eventi (ERP) può catturare i processi psicologici iniziali e successivi del progetto corrente, supponendo che N1 e LPP possano corrispondere alle due frecce sopra menzionate.

In questo protocollo, il canto ripetitivo del nome "Amitabha Buddha" (Sanskit: Amitābha) è stato scelto per testare il potenziale effetto del canto religioso quando un individuo si trova in una situazione di paura o stress. Questo canto religioso è una delle pratiche più popolari di individui con orientamenti religiosi tra i buddisti cinesi ed è una pratica fondamentale del buddismo della Terra Pura dell'Asia orientale14. Si è ipotizzato che il canto religioso ripetitivo ridurrebbe la risposta del cervello a stimoli provocatori, vale a dire, l'LPP indotto da immagini paurose o stressanti. Sia i dati EEG che quelli dell'elettrocardiogramma (ECG) sono stati raccolti per valutare le risposte neurofisiologiche dei partecipanti in condizioni diverse.

Protocollo

Questo studio ERP è stato approvato dall'Università di Hong Kong Institutional Review Board. Prima di partecipare a questo studio, tutti i partecipanti hanno firmato un modulo di consenso informato scritto.

1. Progettazione sperimentale

  1. Recluta partecipanti
    1. Recluta partecipanti con almeno 1 anno (~ 200-3.000 ore) di esperienza nel cantare il nome di "Amitabha Buddha" per questo studio.
      NOTA: Nel presente studio, sono stati selezionati 21 partecipanti umani di età compresa tra 40 e 52 anni; 11 erano maschi.
  2. Canto religioso vs canto non religioso
    1. Canta il nome di "Amitabha Buddha" per 40 s. I primi 20 s con l'immagine di Amitabha Buddha e i successivi 20 s con immagini IAPS.
      1. Canta solo quattro caratteri del nome di "Amitabha Buddha" mentre guardi l'immagine del Buddha Amitabha nella scuola Pureland14.
    2. Canta il nome di Babbo Natale (condizione di canto non religioso) per 40 s. I primi 20 s durante la visualizzazione dell'immagine di Babbo Natale e i successivi 20 s con immagini IAPS.
      1. Canta solo quattro personaggi del nome di Babbo Natale e immagina il Babbo Natale.
    3. Stai in silenzio per 40 s. I primi 20 s con un'immagine vuota a scopo di controllo e i successivi 20 s con immagini IAPS.
      NOTA: Nessun canto.
  3. Sistema di registrazione EEG
    1. Registra i dati EEG utilizzando un sistema EEG a 128 canali costituito da un amplificatore, un headbox, un cappuccio EEG e due computer desktop (vedi Tabella dei materiali).
  4. Sistema di presentazione degli stimoli
    1. Utilizzare un software di presentazione dello stimolo (vedere Tabella dei materiali) per mostrare immagini neutre e negative dallo IAPS su un computer desktop.
  5. Sistema di registrazione ECG
    1. Utilizzare un sistema di registrazione dei dati fisiologici per registrare i dati ECG (vedere Tabella dei materiali).

2. Esperimento di modulazione affettiva

NOTA: L'esperimento aveva due fattori con un design 2 x 3: il primo fattore era il tipo di immagine: neutro e negativo (paura e stress). Il secondo fattore era il tipo di canto: cantare "Amitabha Buddha", cantare "Babbo Natale" e nessun canto (vista silenziosa).

  1. Utilizzare un design a blocchi, in quanto potrebbe suscitare in modo più efficace componenti legati alle emozioni15.
    NOTA: C'erano sei condizioni e le sequenze erano randomizzate e controbilanciate tra i partecipanti (Figura 1). Le sei condizioni erano le seguenti: canto religioso durante la visione di immagini negative (AmiNeg); canto religioso durante la visualizzazione di immagini neutre (AmiNeu); nessun canto durante la visualizzazione di immagini negative (PasNeg); nessun canto durante la visualizzazione di immagini neutre (PasNeu); canto non religioso durante la visualizzazione di immagini negative (SanNeg); e canto non religioso durante la visualizzazione di immagini neutre (SanNeu).

figure-protocol-1
Figura 1: La procedura sperimentale. C'erano sei condizioni pseudocasualizzate e ogni partecipante ha ricevuto una sequenza pseudocasualizzata. Ogni condizione è stata ripetuta sei volte in due sessioni separate. Questa cifra è stata adattata da Reference3. Fare clic qui per visualizzare una versione più grande di questa figura.

  1. Mostra ogni immagine per ~1.8-2.2 s, con un intervallo di interstimolo (ISI) di 0.4-0.6 s.
    NOTA: C'erano 10 immagini dello stesso tipo (neutre o negative) in ogni sessione.
  2. Concedi un periodo di riposo di 20 s dopo ogni sessione per contrastare i potenziali effetti residui del canto o della visualizzazione delle immagini nella sessione successiva.
  3. Presentare le immagini su un monitor CRT ad una distanza di 75 cm dagli occhi dei partecipanti, con angoli visivi di 15° (verticale) e 21° (orizzontale).
  4. Chiedi ai partecipanti di osservare attentamente le immagini.
  5. Fornire una breve pratica ai partecipanti per consentire loro di familiarizzare con ogni condizione. Utilizzare un monitor video per assicurarsi che i partecipanti non si addormentino.
  6. Dai ai partecipanti un riposo di 10 minuti nel mezzo dell'esperimento di 40 minuti.

3. Raccolta dati EEG ed ECG

NOTA: Prima di venire all'esperimento, chiedi a ciascun partecipante di lavare accuratamente i capelli e il cuoio capelluto senza usare un balsamo o qualsiasi altra cosa che possa aumentare l'impedenza del sistema. Raccogliere i dati EEG ed ECG contemporaneamente da due sistemi separati.

  1. Informare ogni partecipante delle procedure sperimentali, cioè che le immagini efficaci sono state visualizzate in diverse condizioni di canto.
  2. Impostare la frequenza di campionamento a 1.000 Hz e mantenere l'impedenza di ciascun elettrodo al di sotto di 30 kΩ quando possibile o in base ai requisiti del sistema.
  3. Raccogliere dati fisiologici, compresi i dati ECG utilizzando un sistema di registrazione dei dati fisiologici (vedi Tabella dei materiali).

4. Analisi dei dati EEG

  1. Elaborare e analizzare i dati EEG con EEGLAB (vedi Tabella dei materiali), File supplementare 1-2, un software open source16 seguendo i passaggi seguenti.
  2. Utilizzare la funzione EEGLAB "pop_resample" per ricampionare i dati da 1.000 Hz a 250 Hz per mantenere una dimensione ragionevole del file di dati. Fare clic su Strumenti > Cambia frequenza di campionamento.
  3. Utilizzare la funzione EEGLAB "pop_eegfiltnew" per filtrare i dati con un filtro FIR (Finite Impulse Response) con banda passante 0,1-100 Hz. Fare clic su Strumenti > Filtrare i dati > filtro FIR di base (nuovo, predefinito).
  4. Filtrare nuovamente i dati con un filtro IIR (Infinite Impulse Response) non lineare con banda di arresto a 47-53 Hz per ridurre il rumore della corrente alternata. Fare clic su Strumenti > Filtrare i dati > selezionare Notch filtrare i dati anziché passare la banda.
  5. Ispeziona visivamente i dati per rimuovere i forti artefatti generati dai movimenti oculari e muscolari. Fare clic su Stampa > dati del canale (scorrimento).
  6. Ispeziona visivamente di nuovo i dati per qualsiasi rumore costante generato da qualsiasi canale e i canali danneggiati sono stati notati.
  7. Ricostruire i canali danneggiati utilizzando l'interpolazione sferica. Fate clic su Strumenti (Tools) > Interpolate elettrodi (Interpolate electrodes) > Selezionate (Select from the data channels).
  8. Esegui l'analisi indipendente dei componenti (ICA) con l'algoritmo open source "runica"16. Fare clic su Strumenti > Eseguire ICA.
  9. Rimuovere i componenti indipendenti (IC) corrispondenti a movimenti oculari, battiti di ciglia, movimento muscolare e rumore di linea. Fare clic su Strumenti > Rifiuta dati utilizzando ICA > Rifiuta componenti per mappa.
  10. Ricostruire i dati utilizzando i circuiti integrati rimanenti. Fare clic su Strumenti > Rimuovi componenti.
  11. Filtrare i dati con un filtro passa-basso a 30 Hz. Fare clic su Strumenti > Filtrare i dati > filtro FIR di base (nuovo, predefinito).
  12. Ottieni i dati ERP estraendo e facendo la media delle epoche bloccate nel tempo per ogni condizione con una finestra temporale da -200 a 0 ms come linea di base e da 0 a 800 ms come ERP. Fare clic su Strumenti > Epoche di estrazione.
  13. Ri-fare riferimento ai dati ERP con la media dei canali mastoidi sinistro e destro. Fate clic su Strumenti (Tools) > Re-reference (Re-reference).
  14. Ripetere i passaggi precedenti per i set di dati di tutti i partecipanti e confrontare le differenze tra le condizioni utilizzando il t-test o le misure ripetute ANOVA in un software di analisi statistica (vedere Tabella dei materiali).
  15. Definire le finestre temporali per N1 e LPP in base alle teorie consolidate8,17 e ai dati correnti3.
    NOTA: In questo lavoro, N1 è stato definito come 100-150 ms, mentre LPP come 300-600 ms dall'insorgenza dello stimolo; La LPP è più importante nella regione parietale centrale (Figura 2).
  16. Trova la differenza di immagine neutra rispetto a quella negativa al componente N1 usando il t-test accoppiato tra tre condizioni (Figura 3).
  17. Trova la differenza di immagine neutra rispetto a quella negativa nel componente LPP usando il t-test accoppiato tra tre condizioni (Figura 4).
  18. Esegui l'analisi della regione di interesse (ROI) sui componenti N1 e LPP facendo la media dei canali rilevanti per rappresentare una regione.
    NOTA: per selezionare il ROI, le epoche di tutte e tre le condizioni sono state mediate per calcolare quei canali in cui le immagini neutre e negative avevano una differenza significativa nella finestra temporale specifica (ad esempio, per N1 o LPP).
  19. Confronta la differenza a N1 e LPP separatamente, utilizzando misure ripetute ANOVA e statistiche post hoc in software di analisi statistica.
    NOTA: utilizzare l'analisi post hoc (correzione bonferroni) e determinare le differenze significative tra le due condizioni separatamente se il modello era significativo. La soglia di significatività è stata fissata a p < 0,05.

5. Analisi delle fonti ERP

  1. Eseguire l'analisi del codice sorgente ERP18 con il software open source SPM19 (vedere Tabella dei materiali) seguendo i passaggi seguenti.
  2. Collegare il sistema di coordinate del sensore del cappuccio EEG al sistema di coordinate di un'immagine MRI strutturale standard (coordinate del Montreal Neurological Institute (MNI)) mediante co-registrazione basata su punti di riferimento. In SPM, fare clic su Batch > SPM > M/EEG > Source reconstruction > Head model specification.
  3. Eseguire il calcolo in avanti per calcolare l'effetto di ciascun dipolo sulla rete corticale imposta ai sensori EEG. Nello stesso batch editor, fare clic su SPM > M/EEG > Source reconstruction > Source inversion.
    NOTA: questi risultati sono stati collocati in una matrice G (n x m), dove n è il numero di sensori (dimensione dello spazio EEG) e m è il numero di vertici della mesh (dimensione dello spazio sorgente). Il modello sorgente era X = GS, dove X è una matrice n x k che denota i dati ERP di ciascuna condizione, k è il numero di punti temporali e S è una matrice m x k che indica la fonte ERP.
  4. Utilizzare l'avido algoritmo di priori sparsi multipli basati sulla ricerca (poiché S è sconosciuto) nel terzo passaggio (tra i molti algoritmi disponibili) per eseguire la ricostruzione inversa perché è più affidabile di altri metodi20. Scegliere MSP (GS) per il tipo di inversione nella finestra Inversione origine .
  5. Determinare la differenza tra le condizioni utilizzando la modellazione lineare generale in SPM. Impostare il livello di significatività su p < 0,05. In Editor batch fare clic su SPM > Stats > Factorial design specification.

6. Dati ECG e analisi di valutazione comportamentale

  1. Utilizzare software fisiologici e di elaborazione dati per elaborare e analizzare i dati ECG (vedi Tabella dei materiali). Calcola i punteggi medi per ogni condizione. In EEGLAB, fare clic su Strumenti > FMRIB Tools > Rileva eventi QRS21.
    NOTA: Simile all'analisi dell'ampiezza ERP, il software statistico è stato utilizzato per analizzare ulteriormente i dati con misure ripetute ANOVA. L'analisi post hoc è stata eseguita per determinare le differenze significative tra le due condizioni separatamente se il modello era significativo. Il livello di significatività è stato impostato su p < 0,05.
  2. Chiedi ai partecipanti di valutare la loro convinzione nell'efficacia del canto del nome del soggetto (Amitabha Buddha, Babbo Natale, ecc.) su una scala da 1 a 9, dove 1 è considerato il più debole e 9 il più forte.

Risultati

Risultati comportamentali
I risultati per la credenza dei partecipanti al canto hanno rivelato un punteggio medio di 8,16 ± 0,96 per "Amitabha Buddha", 3,26 ± 2,56 per "Babbo Natale" e 1,95 ± 2,09 per la condizione di controllo in bianco (Tabella supplementare 1).

Risultati ERP
Il canale rappresentativo di Pz (lobo parietale) ha dimostrato che le condizioni di canto hanno avuto effetti diversi sull'elaborazione precoce (N1) e tardiva (LPP) di immagini neutre e negative. Ha mostrato la finestra temporale di N1 e LPP, rispettivamente (Figura 2).

Fase percettiva precoce
I risultati dell'ERP hanno mostrato un aumento di N1 durante la visualizzazione delle immagini negative in tre condizioni di canto (Figura 3). Ha dimostrato che le immagini negative hanno indotto attività cerebrali centrali più forti rispetto alle immagini neutre e gli aumenti sono comparabili in tre condizioni.

Fase emotiva/cognitiva tardiva
L'ERP ha dimostrato un aumento della LPP nelle condizioni di canto non religioso e di non canto. Tuttavia, la LPP indotta da immagini negative è appena visibile quando il partecipante canta il nome di Amitabha Buddha (Figura 4).

Analisi della regione di interesse (ROI)
Le tre condizioni sono state combinate per stimare le regioni che sono state generalmente attivate ai componenti N1 e LPP. Misure ripetute ANOVA è stato eseguito con software statistico per calcolare la differenza nelle componenti N1 e LPP tra le condizioni di canto (Figura 5).

Le tre colonne di sinistra mostrano la differenza nella componente N1 per le tre condizioni di canto: la condizione di visione silenziosa, la condizione di canto non religioso e la condizione di canto religioso. Le differenze nella componente N1 erano simili tra le tre condizioni. Le tre colonne a destra mostrano la differenza nella componente LPP per le tre condizioni di canto. Ciò dimostra che la differenza nella componente LPP è molto più piccola nella condizione di canto religioso rispetto alla condizione di canto non religioso e alla condizione di visione silenziosa.

Analisi delle fonti
L'analisi della fonte è stata applicata per estrarre la potenziale mappatura del cervello basata sui risultati LPP (Figura 6). I risultati mostrano che, rispetto alle immagini neutre, le immagini negative inducono una maggiore attivazione parietale nella condizione di canto non religioso e nessuna condizione di canto. Al contrario, questa attivazione negativa indotta dall'immagine scompare in gran parte nella condizione di canto religioso.

Risultati fisiologici: frequenza cardiaca
C'è stato un cambiamento significativo nella frequenza cardiaca (HR) tra le immagini negative e neutre nella condizione di canto non religioso. Una tendenza simile è stata trovata nella condizione di non cantare. Tuttavia, non è stata trovata alcuna differenza di HR nella condizione di canto religioso (Figura 7).

figure-results-1
Figura 2: Un canale rappresentativo (Pz) ha mostrato diversi ERP in sei condizioni di canto. Le sei condizioni sono (1) il canto religioso durante la visualizzazione di immagini neutre (AmiNeu); (2) canto religioso durante la visualizzazione di immagini negative (AmiNeg); (3) canto non religioso durante la visualizzazione di immagini neutre (SanNeu); (4) canto non religioso durante la visualizzazione di immagini negative (SanNeg); (5) nessun canto durante la visualizzazione di immagini neutre (PasNeu); e (6) nessun canto durante la visualizzazione di immagini negative (PasNeg). Il canale Pz situato nella zona parietale media del cuoio capelluto. Fare clic qui per visualizzare una versione più grande di questa figura.

figure-results-2
Figura 3: I risultati DELL'ERP per la dimostrazione del componente N1 nelle tre condizioni di canto. Mappe bidimensionali del componente N1 per le tre condizioni per ogni tipo di immagine. Nell'ultima colonna, i canali con differenze significative (p < 0,05) sono mostrati con punti; i punti che sono in colore più scuro indicano un significato maggiore (cioè valori p più piccoli). Fare clic qui per visualizzare una versione più grande di questa figura.

figure-results-3
Figura 4: I risultati ERP per la dimostrazione della componente LPP nelle tre condizioni di canto. Mappe bidimensionali del componente del potenziale positivo tardivo (LPP) per le tre condizioni per ciascun tipo di immagine. Nell'ultima colonna, i canali con differenze significative (p < 0,05) sono mostrati con punti; i punti che sono in colore più scuro indicano un significato maggiore (cioè valori p più piccoli). Fare clic qui per visualizzare una versione più grande di questa figura.

figure-results-4
Figura 5: Analisi della regione di interesse (ROI). L'analisi della regione di interesse (ROI) sulla differenza tra risposte cerebrali negative e neutre indotte da immagini per la componente iniziale, N1, e la componente tardiva, il potenziale positivo tardivo (LPP). Fare clic qui per visualizzare una versione più grande di questa figura.

figure-results-5
Figura 6: Analisi alla fonte della componente del potenziale positivo tardivo (LPP) nelle tre condizioni. Le aree evidenziate indicano una maggiore attività cerebrale in condizioni negative rispetto a quelle neutre. Fare clic qui per visualizzare una versione più grande di questa figura.

figure-results-6
Figura 7: Gli intervalli di battito cardiaco nelle tre condizioni di canto. Gli intervalli inter-beat (RR) dell'elettrocardiogramma sotto ogni combinazione di tipo di immagine / canto e i valori p corrispondenti. Ami: Amitabha Buddha chanting condition, San: Santa Claus chanting condition, Pas: passive viewing condition, Neu: neutral picture, Neg: negative picture. Fare clic qui per visualizzare una versione più grande di questa figura.

Tabella supplementare 1: Valutazione della credenza nell'efficacia del soggetto canoro (Amitabha Buddha, Babbo Natale). Usa una scala da 1 a 9, dove 1 indica la credenza minore e 9 la credenza più forte. Fare clic qui per scaricare questa tabella.

File 1 supplementare: Codice per la pre-elaborazione batch di dati EEG. Rimuove i canali danneggiati, ricampiona i dati a 250 Hz e quindi filtra i dati. Fare clic qui per scaricare questo file.

File 2 supplementare: Codice per la riparazione dei dati ERP. Ripara le brutte epoche con picchi rumorosi. Fare clic qui per scaricare questo file.

Discussione

L'unicità di questo studio è l'applicazione di un metodo neuroscientifico per sondare i meccanismi neurali alla base di una pratica religiosa diffusa, cioè il canto religioso ripetitivo. Dato il suo effetto prominente, questo metodo potrebbe consentire nuovi interventi per terapisti o medici per trattare i clienti che si occupano di problemi emotivi e soffrono di ansia e stress. Insieme agli studi precedenti, una più ampia ricerca sulla regolazione delle emozioni dovrebbe essere presa in considerazione in studi futuri7,8,9,22.

Ci sono pochi studi ERP sul canto, data la difficoltà di costruire esperimenti che combinano il canto e altri eventi cognitivi. Questo studio dimostra un protocollo fattibile per indagare l'effetto affettivo del canto / preghiera, che è piuttosto popolare nel mondo reale. Precedenti studi di risonanza magnetica funzionale (fMRI) hanno rilevato che la preghiera recluta aree di cognizione sociale23. Uno studio fMRI a riposo ha rivelato che il canto "OM" ha ridotto le uscite dal cingolato anteriore, dall'insula e dalle cortecce orbitofrontali24. Un altro studio EEG ha rilevato che la meditazione "OM" ha aumentato le onde delta, inducendo l'esperienza del rilassamento e del sonno profondo25. Tuttavia, questi metodi non potevano indagare con precisione i cambiamenti specifici legati agli eventi dopo il canto religioso.

I ricercatori dovrebbero controllare i fattori confondenti dell'elaborazione del linguaggio e della familiarità per indagare con successo il potenziale effetto del canto religioso ripetitivo. Mentre i partecipanti si esercitavano ampiamente e quotidianamente cantando il nome "Amitabha Buddha" (caratteri cinesi: figure-discussion-1; Pronuncia cantonese: o1-nei4-to4-fat6), abbiamo usato il nome "Babbo Natale" (caratteri cinesi: ; figure-discussion-2 Pronuncia cantonese: sing3-daan3-lou5-jan4) come condizione di controllo perché il locale ha familiarità con Babbo Natale. In cinese, entrambi i nomi contengono quattro caratteri, controllando così la somiglianza linguistica. Per quanto riguarda la familiarità, Babbo Natale è anche molto popolare a Hong Kong perché è una città parzialmente occidentalizzata. Inoltre, Babbo Natale è anche una figura un po 'positiva a Hong Kong, dove ci sono le vacanze di Natale ufficiali. Tuttavia, questo controllo della familiarità è parziale, in quanto è difficile eguagliare completamente la comprensione del nome di Amitabha Buddha per i praticanti.

Un passo fondamentale nel presente studio è stata la preparazione delle immagini che provocano paura o stress. Poiché il canto religioso può funzionare meglio quando si verificano eventi minacciosi, è stato fondamentale selezionare gli stimoli appropriati dal pool di immagini IAPS26. Si raccomanda di intervistare i potenziali partecipanti e di scegliere immagini adatte per evitare troppa paura o disgusto. Immagini altamente negative potrebbero impedire ai partecipanti di distogliere volontariamente la loro attenzione; allo stesso tempo, gli stimoli che provocano paura e stress dovrebbero consentire ai partecipanti di sperimentare una minaccia sufficiente. Un altro problema critico è il design a blocchi dello studio. Il segnale EEG/ERP è sufficientemente sensibile e dinamico per seguire ogni evento. Tuttavia, sarebbe più appropriato implementare un design a blocchi con un periodo di visione di 20-30 s perché il modello della funzione cardiaca o dell'emozione potrebbe non cambiare nell'ordine dei secondi27. D'altra parte, un blocco di 60 s potrebbe essere troppo lungo e la risposta neurale potrebbe abituarsi negli studi ERP.

La fase di elaborazione dei dati EEG deve eseguire un backup durante ogni passaggio, poiché ogni passaggio altera i dati e registra le modifiche apportate durante tali passaggi. Questo può essere utilizzato per tenere traccia delle modifiche e semplificare la ricerca di errori durante l'elaborazione batch. Anche il miglioramento della qualità dei dati è essenziale, quindi è necessaria esperienza nella pulizia dei dati grezzi e nell'identificazione di circuiti integrati difettosi. Nell'analisi statistica, sono stati fatti confronti su medie grandi e avaricata ANOVA. Avvertiamo che questa statistica con il modello a effetto fisso è suscettibile di effetti casuali28. I modelli a effetti misti possono essere adattati per controllare fattori estranei29 e l'assunzione di linearità può potenzialmente influenzare le inferenze tratte dai dati ERP30.

Diverse limitazioni sono degne di nota. Una limitazione è che l'attuale studio ha arruolato solo un gruppo di partecipanti che praticavano il buddismo Pureland. L'iscrizione a un gruppo di controllo senza alcuna esperienza nel canto religioso per il confronto potrebbe aiutare a determinare se l'effetto del canto religioso è mediato dalla credenza o dalla familiarità. Di solito, uno studio controllato randomizzato sarebbe più convincente per esaminare l'impatto della modulazione delle emozioni sul canto religioso31. Tuttavia, è difficile garantire che qualsiasi partecipante canti ripetutamente "Amitabha Buddha" con completa volontà. Inoltre, l'LPP è influenzato da altri fattori, come il suono emotivo o l'innesco positivo32,33. Pertanto, sono necessari esperimenti meglio controllati per delineare più chiaramente il neuro-meccanismo fondamentale alla base dell'effetto del canto religioso.

In sintesi, studi precedenti hanno dimostrato che il cervello umano è soggettivo alla plasticità neurale e alla rapida alterazione degli stati34,35; con sufficiente pratica e intenzione, il cervello può rimodellarsi e rispondere in modo diverso agli stimoli normalmente paurosi. Questo studio fornisce approfondimenti sullo sviluppo di strategie di coping efficaci per la gestione del disagio emotivo in contesti contemporanei. Seguendo questo protocollo, i ricercatori dovrebbero esaminare l'effetto del canto religioso o di altre pratiche tradizionali per identificare modi fattibili per aiutare le persone a migliorare le loro sofferenze emotive.

Dichiarazioni

Gli autori dichiarano di non avere interessi finanziari concorrenti.

Ringraziamenti

Lo studio è stato supportato dal piccolo progetto di fondo di HKU e NSFC.61841704.

Materiali

Elenco dei materiali utilizzati in questo articolo
NomeAziendaNumero di catalogoCommenti
E-Prime 2.0Psicologia Strumentipresentazione stimoli, raccolta dati comportamentali
EEGLABSwartz Center for Computational Neurosciencedi analisi EEG
HydroCel GSN 128 canaliElectrical Geodesics, Inc. (EGI)Cuffia EEG
LabChartADInstrumentazioniacquisizione dati fisiologici (incluso ECG) software
Matlab R2011aMathWorksEEGLAB e SPM sono basati su Matlab; strumento di analisi statistica per EEG e dati fisiologici
NetstationElectrical Geodesics, Inc. (EGI)Software di acquisizione EEG
PowerLab 8/35ADInstrumentsPL3508hardware di acquisizione dati fisiologici (incluso ECG)
SPMWellcome Trust Centre for NeuroimagingSoftware di analisi della sorgente EEG
FMRIBUniversity of Oxford Centre for Functional MRI of the Brain (FMRIB)Plug-in per EEGLAB per l'elaborazione dei dati
ECG SPSSStrumentodi analisi statistica
iMac 27"Applecon il software Netstation
PC WindowsHPcon E-Prime 2.0 software
PC WindowsDellcon il software LabChart
Software Software IBM per il comportamento e i dati EEG ROI

Riferimenti

  1. Kennedy, H., Montreuil, T. C. The late positive potential as a reliable neural marker of cognitive reappraisal in children and youth: A brief review of the research literature. Frontiers in Psychology. 11, 608522(2020).
  2. Yu, Q., Kitayama, S. Does facial action modulate neural responses of emotion? An examination with the late positive potential (LPP). Emotion. 21 (2), 442-446 (2021).
  3. Gao, J. L., et al. Repetitive religious chanting modulates the late-stage brain response to fear and stress-provoking pictures. Frontiers in Psychology. 7, 2055(2017).
  4. Barkus, E. Effects of working memory training on emotion regulation: Transdiagnostic review. PsyCh Journal. 9 (2), 258-279 (2020).
  5. Denny, B. T. Getting better over time: A framework for examining the impact of emotion regulation training. Emotion. 20 (1), 110-114 (2020).
  6. Champe, J., Okech, J. E. A., Rubel, D. J. Emotion regulation: Processes, strategies, and applications to group work training and supervision. Journal for Specialists in Group Work. 38 (4), 349-368 (2013).
  7. Sobolewski, A., Holt, E., Kublik, E., Wrobel, A. Impact of meditation on emotional processing-A visual ERP study. Neuroscience Research. 71 (1), 44-48 (2011).
  8. Katyal, S., Hajcak, G., Flora, T., Bartlett, A., Goldin, P. Event-related potential and behavioural differences in affective self-referential processing in long-term meditators versus controls. Cognitive Affective & Behavioral Neuroscience. 20 (2), 326-339 (2020).
  9. Uusberg, H., Uusberg, A., Talpsep, T., Paaver, M. Mechanisms of mindfulness: The dynamics of affective adaptation during open monitoring. Biological Psychology. 118, 94-106 (2016).
  10. Bradley, M. M., Lang, P. J. Handbook of emotion elicitation and assessment. Series in affective science. Coan, J. A., Allen, J. B. 483, Oxford University Press. 483-488 (2007).
  11. Gao, J. L., et al. Repetitive religious chanting invokes positive emotional schema to counterbalance fear: A multi-modal functional and structural MRI study. Frontiers in Behavioral Neuroscience. 14, 548856(2020).
  12. Somaratne, G. A. The Jhana-cittas: The methods of swapping existential planes via samatha. Journal Of The Postgraduate Institute Of Pali And Buddhist Studies. 2, 1-21 (2017).
  13. Bhikkhu, T. Sallatha Sutta: The arrow (SN 36.6), Translated from the pali. Access to Insight Legacy Edition. , (2013).
  14. Halkias, G. Luminous bliss : a religious history of Pure Land literature in Tibet : with an annotated English translation and critical analysis of the Orgyan-gling gold manuscript of the short Sukhāvatīvȳuha-sūtra. , University of Hawaiʻi Press. (2013).
  15. Stewart, J. L., et al. Attentional bias to negative emotion as a function of approach and withdrawal anger styles: An ERP investigation. International Journal of Psychophysiology. 76 (1), 9-18 (2010).
  16. Delorme, A., Makeig, S. EEGLAB: an open source toolbox for analysis of single-trial EEG dynamics including independent component analysis. Journal of Neuroscience Methods. 134 (1), 9-21 (2004).
  17. Ito, T. A., Larsen, J. T., Smith, N. K., Cacioppo, J. T. Negative information weighs more heavily on the brain: The negativity bias in evaluative categorizations. Journal of Personality and Social Psychology. 75 (4), 887-900 (1998).
  18. Grech, R., et al. Review on solving the inverse problem in EEG source analysis. Journal of NeuroEngineering and Rehabilitation. 5, 25(2008).
  19. Penny, W. D., Friston, K. J., Ashburner, J. T., Kiebel, S. J., Nichols, T. E. Statistical Parametric Mapping: The Analysis of Functional BrainIimages: The Analysis of Functional Brain Images. , Academic Press. (2011).
  20. Friston, K., et al. Multiple sparse priors for the M/EEG inverse problem. NeuroImage. 39 (3), 1104-1120 (2008).
  21. Niazy, R. K., Beckmann, C. F., Iannetti, G. D., Brady, J. M., Smith, S. M. Removal of FMRI environment artifacts from EEG data using optimal basis sets. Neuroimage. 28 (3), 720-737 (2005).
  22. Nakamura, H., Tawatsuji, Y., Fang, S. Y., Matsui, T. Explanation of emotion regulation mechanism of mindfulness using a brain function model. Neural Networks. 138, 198-214 (2021).
  23. Schjoedt, U., Stdkilde-Jorgensen, H., Geertz, A. W., Roepstorff, A. Highly religious participants recruit areas of social cognition in personal prayer. Social Cognitive and Affective Neuroscience. 4 (2), 199-207 (2009).
  24. Rao, N. P., et al. Directional brain networks underlying OM chanting. Asian Journal of Psychiatry. 37, 20-25 (2018).
  25. Harne, B. P., Bobade, Y., Dhekekar, R. S., Hiwale, A. SVM classification of EEG signal to analyze the effect of OM Mantra meditation on the brain. 2019 Ieee 16th India Council International Conference (Ieee Indicon 2019). , (2019).
  26. Coan, J. A., Allen, J. J. B. Handbook of Emotion Elicitation and Assessment. , Oxford University Press. (2007).
  27. Meseguer, V., et al. Mapping the apetitive and aversive systems with emotional pictures using a Block-design fMRI procedure. Psicothema. 19 (3), 483-488 (2007).
  28. Luck, S. J., Gaspelin, N. How to get statistically significant effects in any ERP experiment (and why you shouldn't). Psychophysiology. 54 (1), 146-157 (2017).
  29. Meteyard, L., Davies, R. A. I. Best practice guidance for linear mixed-effects models in psychological science. Journal of Memory and Language. 112, 104092(2020).
  30. Tremblay, A., Newman, A. J. Modeling nonlinear relationships in ERP data using mixed-effects regression with R examples. Psychophysiology. 52 (1), 124-139 (2015).
  31. Wu, B. W. Y., Gao, J. L., Leung, H. K., Sik, H. H. A randomized controlled trial of Awareness Training Program (ATP), a group-based mahayana buddhist intervention. Mindfulness. 10 (7), 1280-1293 (2019).
  32. Brown, D. R., Cavanagh, J. F. The sound and the fury: Late positive potential is sensitive to sound affect. Psychophysiology. 54 (12), 1812-1825 (2017).
  33. Hill, L. D., Starratt, V. G., Fernandez, M., Tartar, J. L. Positive affective priming decreases the middle late positive potential response to negative images. Brain and Behavior. 9 (1), 01198(2019).
  34. Belzung, C., Wigmore, P. Current Topics in Behavioral Neurosciences,1 online resource. , Springer Berlin Heidelberg. Berlin Heidelberg. (2013).
  35. Denes, G. Neural Plasticity Across The Lifespan: How The Brain Can Change. , CRC Press, an imprint of the Taylor & Francis Group. (2016).

Ristampe e permessi

Errata corrige


Formal Correction: Erratum: Modulation of the Neurophysiological Response to Fearful and Stressful Stimuli Through Repetitive Religious Chanting
Posted by JoVE Editors on 3/25/2022. Citeable Link.

An erratum was issued for: Modulation of the Neurophysiological Response to Fearful and Stressful Stimuli Through Repetitive Religious Chanting. The Authors section was updated.

The authors section was updated from:

Hin Hung Sik1, Georgios T. Halkias1, Chunqi Chang2, Junling Gao1, Hang Kin Leung1, Bonnie W. Y. Wu1
1Centre of Buddhist Studies, The University of Hong Kong,
2School of Biomedical Engineering, Shenzhen University

To:

Hin Hung Sik1, Georgios T. Halkias1, Chunqi Chang2, Junling Gao1, Hang Kin Leung1, Bonnie Wai Yan Wu1
1Buddhism and Science Research Lab, Centre of Buddhist Studies, The University of Hong Kong,
2School of Biomedical Engineering, Shenzhen University

Tag

Arousal EmotivoPotenziale Positivo TardivoPotenziali Evento-CorrelatiStimoli PaurevoliElettroencefalografia EEGInternational Affective Picture SystemAnalisi della Sorgente ERP
Modulazione della risposta neurofisiologica a stimoli paurosi e stressanti attraverso il canto religioso ripetitivo
Contattaci
Consiglia alla biblioteca

Privacy

Termini di utilizzo

Politiche

Copyright © 2026 MyJoVE Corporation. Tutti i diritti riservati.